Luận văn thạc sĩ VNU modélisation des erreurs réalisées par un apprenant humain en environnement virtuel de formation

Mod´ elisation des erreurs r´ ealis´ ees par un apprenant humain en environnement virtuel de formation Rapport de stage Thanh Hai Trinh (tthai@ifi.edu.vn) Encadrant : ´dric Buche (buche@enib.fr) Ce Laboratoire : Centre Europ´een de R´ealit´e Virtuelle (CERV) ´equipe AR´eVi Laboratoire d’Informatique des Syst`emes Complexes (LISyC, EA 3883) Universit´e Europ´eenne de Bretagne Ecole Nationale d’Ing´enieurs de Brest 28 juillet 2008 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Remerciements Je tiens tout d’abord ` a remercier les professeurs informatiques et fran¸cais de Institut de la Francophonie pour l’Informatique (IFI) qui nous ont donn´e les cours durant les ann´ees de Master Je souhaite ´egalement remercier M Jacques Tisseau, directeur du Centre Europ´een de R´eealit´ee Virtuelle (CERV) pour m’avoir accueilli dans son laboratoire pour effectuer le stage de fin d’´etude, et M C´edric Buche, mon encadreur de stage pour son aide pr´ecieuse et son encouragement Enfin, je remercie aussi les personnes du CERV pour leur sympathie et leur accueil Merci Fabien et Nico pour m’avoir corrig´e ce rapport de stage et mes transparents de soutenance i LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des mati` eres Remerciements i Table des figures iv Liste des tableaux vi Introduction 1 Contexte du stage 1.1 Syst`eme Tutoriel Intelligent 1.2 Mod`ele des erreurs dans ITS existant 1.3 Recherche des causes des actions erron´ees 1.3.1 La m´ethode CREAM 1.3.2 Automatisation de CREAM Bilan 10 1.4 Impl´ ementation de CREAM 12 2.1 Repr´esentation du sch´ema de classification 12 2.2 Description du contexte 16 2.3 Mod`eles des liens cons´equences-ant´ec´edents 16 2.4 Recherche des causes 17 2.5 R´esultat 18 Int´ egration d’analyse r´ etrospective ` a l’ITS existant 22 3.1 Reconnaissance de plans de l’apprenant dans EVF 22 3.2 Classification des actions erron´ees selon le sch´ema de CREAM 23 3.2.1 D´etection des actions erron´ees du ph´enotype S´equence 23 3.2.2 D´etection des actions erron´ees du ph´enotype Mauvais objet 24 3.2.3 D´etection des actions erron´ees du ph´enotype Temps/Dur´ee 25 Exp´erimentations 26 3.3.1 26 3.3 Protocole : application GASPAR ii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.3.2 R´esultats 30 Conclusion 41 Glossaire 42 Bibliographie 43 Annexes 45 A R´ esultats de l’analyse r´ etrospective 45 iii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des figures Une sc`ene sous l’application S´ecuR´eVi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 1.10 1.11 Architecture d’un ITS Les mod`eles de l’ITS Mod`ele des erreurs dans le processus p´edagogique Travail proc´edural en ´equipe dans MASCARET Diff´erents types d’erreurs La classification des actions erron´ees Les cat´egories des g´enotypes Exemple du lien entre ph´enotype-ant´ec´edent Exemple du lien entre cons´equent-ant´ec´edent Analyse r´etrospective Graphe causal 7 8 9 10 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 CREAM Navigator Exemple du lien entre cons´equence-ant´ec´edent R`egles reps´esentant le lien cons´equence-ant´ec´edent Repr´esentation les ph´enotypes Repr´esentation les g´enotypes Repartition les ant´ec´edents sp´ecifiques en trois groupes (P,T,0) Questionnaire de description du contexte Notre mod`ele UML reps´esentant les liens cons´equence-ant´ec´edent Interface de l’onglet CPC’s Interface de l’onglet Phenotypes Interface de l’onglet Genotypes Interface de l’onglet Repartition des ant´ec´edents sp´ecifiques Interface de l’onglet CREAM 13 13 13 14 15 15 16 17 19 20 20 21 21 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 Une sc`ene sous GASPAR Le personnage IA Le personnage Officier La cabine catapulte Le d´eflecteur Une proc´edure dans GASPAR Situation p´edagogique 1a Situation p´edagogique 1b D´etection du ph´enotype S´equence Situation p´edagogique 26 27 27 28 28 29 30 31 32 33 iv LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.11 3.12 3.13 3.14 D´etection du ph´enotype Mauvais objet Situation p´edagogique Les ph´enotypes et les g´enotypes des actions erron´ees affich´es dans l’ITS Les assistances possibles 34 35 36 36 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des tableaux 3.1 3.2 3.3 Liens causaux du ph´enotype S´equence Liens causaux du ph´enotype Mauvais objet Liens causaux du ph´enotype Temps/Dur´ee 37 38 39 A.1 Liens causaux du ph´enotype Direction A.2 Liens causaux du ph´enotype Vitesse A.3 Liens causaux du ph´enotype Distance/Magnitude 46 47 48 vi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Introduction J’ai effectu´e mon stage au sein de l’´equipe AR´eVi (Atelier de R´ealit´e Virtuelle) du CERV (Centre Europ´eenne de R´ealit´e Virtuelle) dont un des axes de recherche est le d´eveloppement d’environnements immersifs d´edi´es `a la formation professionnelle moyennant les techniques de r´ealit´e virtuelle, appel´es les Environnements Virtuels de Formation (EVF) Plus sp´ecifiquement, mon stage s’int`egre au sein du projet MASCARET (MultiAgent System for Collaborative Adaptive and Realistic Environment for Training) L’objectif ` a long terme de ce projet est de concevoir les mod`eles r´ealistes et adaptifs permettant de simuler le travail proc´edural et collaboratif L’apport de ce mod`ele a ´et´e montr´e par les deux applications S´ecuR´eVi1 et GASPAR2 qui permettent de mettre en situation les apprenants pour la formation dans les cas d’urgences Pour que le processus de formation soit efficace, un syst`eme tutoriel intelligent (Intelligent Tutoring System ou ITS, en anglais) a ´et´e int´egr´e ´egalement dans MASCARET permettant suivre et fournir des assistances p´edagogiques `a l’apprenant et le formateur Fig – Une sc`ene sous l’application S´ecuR´eVi L’ITS existant propos´e par Buche [Buche 05a, Buche 05b] consid`ere les erreurs comme des informations cruciales Lorsque l’apprenant r´ealise une action erron´ee, le syst`eme est capable de d´etecter et typer son occurrence, ces informations sont S´ecurit´e et R´ealit´e Virtuelle Gestion de l’Activit´e aviation et des Sinistres sur Porte-avions par la R´ealit´e virtuelle LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ensuite analys´ees dans la phase de raisonnement p´edagogique pour d´ecider d’apporter ´eventuellement les assistances Malgr´e le fait que le m´ecanisme de d´etection des erreurs soit g´en´erique, les explications sur les erreurs sont encore d´ependantes du domaine d’apprentissage L’objectif de notre stage est d’am´eliorer le mod`ele des erreurs existant pour qu’il puisse non seulement d´etecter et identifier les actions erron´ees r´ealis´ees par l’apprenant humain mais ´egalement reconnaitre l’origine de leur occurrence Pour ce faire, nous nous appuyons sur la m´ethode CREAM (Cognitive Reliability and Error Analysis Method) dans le domaine de l’´etude de la fiabilit´e humaine (Human Reliability Analysis ou HRA) Cette approche fournit un sch´ema de classification distinguant clairement les observations des erreurs (les ph´enotypes) et les causes (les g´enotypes) Ce sch´ema est associ´e avec une m´ethode d’analyse r´etrospective qui, `a partir du ph´enotype d’une action erron´ee, permet de rechercher des causes susceptibles de son occurrence L’impl´ementation de CREAM est l’objet des travaux de El-Kechaă [El-Kechaă 07a, El-Kechaă 07b] Cependant, lintegration de CREAM `a un ITS n’a pas encore ´et´e effectu´ee Dans le premier chapitre de ce rapport, nous allons pr´esenter l’ITS existant, le mod`ele des erreurs actuel et le principe de CREAM Dans le deuxi`eme chapitre, nous montrons notre approche pour mod´eliser le CREAM L’int´egration de l’analyse r´etrospective dans l’ITS existant va ˆetre d´etaill´ee dans le troisi`eme chapitre Enfin, nous allons conclure en faisant le bilan de nos travaux et en pr´esentant les ´evolutions possibles LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Chapitre Contexte du stage 1.1 Syst` eme Tutoriel Intelligent [Buche 05a] Pour l’objectif principal de fournir une assistance aux diff´erents facteurs de l’apprentissage (le formateur ou l’apprenant), il existe nombreux informations dont l’ITS doit tenir compte : les connaissances sur le domaine d’apprentissage, les connaissances sur le processus p´edagogique, l’´etat physique ainsi que psychologique de l’apprenant, etc En outre, pour que les assistances soient efficaces, il faut ´egalement tenir compte de la fa¸con dont les connaissances sont repr´esent´ees et l’interaction entre le formateur/l’apprenant et le syst`eme La figure 1.1 illustre l’architecture classique d’un ITS avec les quatre mod`eles suivants : Fig 1.1 – Architecture d’un ITS, tir´e de [Buche 05a], d’apr`es Woolf B.P, 1992 • mod`ele du domaine : repr´esente la connaissance de l’expert sur le domaine Comme un syst`eme d’expert traditionnel, il contient la partie d´eclarative repr´esentant la connaissance que l’apprenant doit acqu´erir ainsi que la partie proc´edurale interpr´etant des connaissances ; LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.3 Exp´erimentations mais ´egalement sur le mauvais objet Les ph´enotypes (et donc les g´enotypes) de ces erreurs sont d´etect´es par l’ITS (cf figure 3.13) Fig 3.12 – Situation p´edagogique Moyennant les exemples pr´esent´es ci-dessus, nous avons montr´e que, dans le cas o` u l’apprenant r´ealise une erreur, le syst`eme est capable de d´etecter et classifier selon le sch´ema de Hollnagel pour trouver les ph´enotypes correspondants L’ITS applique par la suite l’analyse r´etrospective afin d’indiquer des causes les plus probables Enfin, ces informations sont consid´er´ees par le module de raisonnement p´edagogique grˆace auquel l’ITS puisse proposer les assistances possibles (cf figure 3.14) Plus pr´ecisement, les tableaux 3.1, 3.2 et 3.3 illustrent les r´esultats de l’analyse r´etrospective pour les ph´enotypes S´equence, Mauvais objet et Temps/Dur´ee Afin d’´evaluer comment le contexte (CPC’s) influence sur le r´esultat de l’analyse r´etrospective, nous changeons les coefficients de trois facteurs : individuel, technologie et organisationnel Dans notre exp´erimentation, `a partir d’un ph´enotype entr´ee, les analyses produisent g´en´eralement en sortie une dizaine des liens causaux Donc, pour chaque combinaison de poids des trois cat´egories (P,T,O), nous ne s´electionnons et affichons que les causes les plus probables en ordonnant les valeurs de masse Dans les premiers tests, nous ´equilibrons les trois facteurs (P,T,O) Par cons´equent, nous constatons que les g´enotypes (racines et interm´ediaires) sont bien dis35 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.3 Exp´erimentations Fig 3.13 – Les ph´enotypes et les g´enotypes des actions erron´ees affich´es dans l’ITS (a) Mettre en rouge l’appre- (b) Mettre en rouge la res- (c) Mettre tout en transpanant source rent sauf l’apprenant Fig 3.14 – Les assistances possibles, d’apr`es [Buche 05a] 36 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.3 Exp´erimentations Poids (P,T,O) (0.333 - 0.333 - 0.333) Liens causaux 1, Probl`eme de conception (0.125) -> Sc´enario inad´equat (0.125) -> S´equence 2, Conditions ambiantes d´efavorables (0.125) -> Inattention (0.125) -> S´equence 3, Manque de formation (0.041667) -> Probl`eme de m´emoire (0.125) -> S´equence 4, Autre priorit´e (0.041667) -> Probl`eme de m´emoire (0.125) -> S´equence 5, Handicap (0.03125) -> Probl`eme de communication (0.125) -> S´equence (1 - - 0) 1, Autre priorit´e (0.2) -> Probl`eme de m´emoire (0.2) -> S´equence 2, Mod`ele mental erron´e (0.06667) -> Mauvais diagnostic (0.2) -> S´equence 3, Analogie erron´ee (0.06667) -> Mauvais diagnostic (0.2) -> S´equence 4, Biais cognitif (0.06667) -> Mauvais diagnostic (0.2) -> S´equence 5, Anticipation (0.05) -> Mauvaise identification (0.2) -> S´equence (0 - - 0) 1, Probl`eme de ressources (0.1) -> Acc`es limit´e (0.5) -> S´equence 2, Distance (0.1) -> Acc`es limit´e (0.5) -> S´equence 3, Probl`eme de localisation (0.1) -> Acc`es limit´e (0.5) -> S´equence 4, Obstruction (0.1) -> Acc`es limit´e (0.5) -> S´equence 5, Mauvais manipulation d’objets (0.1) -> Acc`es limit´e (0.5) -> S´equence (0 - - 1) 1, Bruit (1) -> Probl`eme de communication (1) -> S´equence Tab 3.1 – Liens causaux du ph´enotype S´equence 37 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.3 Exp´erimentations Poids (P,T,O) (0.333 - 0.333 - 0.333) Liens causaux 1, Probl`eme d’acc`es (0.125) -> Mauvais objet 2, Probl`eme de conception (0.125) -> Sc´enario inad´equat (0.125) -> Mauvais objet 3, Conditions ambiantes d´efavorables (0.125) -> Inattention (0.125) -> Mauvais objet 4, Probl`eme de pr´esentation (0.03125) -> Probl`eme de communication (0.125) -> Mauvais objet 5, Handicap (0.03125) -> Probl`eme de communication (0.125) -> Mauvais objet (1 - - 0) 1, Maladie (0.1) -> Performance variable (0.2) -> Mauvais objet 2, Cybermalaise (0.1) -> Performance variable (0.2) -> Mauvais objet 3, Anticipation (0.05) -> Mauvaise Indentification (0.2) -> Mauvais objet 4, Surcharge cognitive (0.05) -> Mauvaise Indentification (0.2) -> Mauvais objet 5, Handicap (0.04) -> Observation manqu´ee (0.2) -> Mauvais objet (0 - - 0) 1, Probl`eme d’acc`es (0.5) -> Mauvais objet (0 - - 1) 1, Bruit (1) -> Probl`eme de communication (1) -> Mauvais objet Tab 3.2 – Liens causaux du ph´enotype Mauvais objet 38 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.3 Exp´erimentations Poids (P,T,O) (0.333 - 0.333 - 0.333) Liens causaux 1, Probl`eme de conception (0.166667) -> Sc´enario inad´equat (0.166667) -> Temps / Dur´ee 2, Conditions ambiantes d´efavorables (0.166667) -> Inattention (0.166667) -> Temps / Dur´ee 3, Probl`eme de pr´esentation (0.041667) -> Probl`eme de communication (0.166667) -> Temps / Dur´ee 4, Handicap (0.041667) -> Probl`eme de communication (0.16667) -> Temps / Dur´ee 5, Conditions ambiantes d´efavorables (0.041667) -> Inattention (0.041667) -> Temps / Dur´ee (1 - - 0) 1, Biais cognitif (0.083333) -> Mauvais diagnostic (0.25) -> Temps / Dur´ee 2, Mod`ele mental erron´e (0.083333) -> Mauvais diagnostic (0.25) -> Temps / Dur´ee 3, Analogie erron´ee (0.083333) -> Mauvais diagnostic (0.25) -> Temps / Dur´ee 4, Handicap (0.05) -> Observation manqu´ee (0.25) -> Temps / Dur´ee 5, Surcharge cognitive (0.05) -> Observation manqu´ee (0.25) -> Temps / Dur´ee (0 - - 0) Aucun g´enotype n’a ´et´e trouv´e (0 - - 1) 1, Bruit (1) -> Probl`eme de communication (1) -> Temps / Dur´ee Tab 3.3 – Liens causaux du ph´enotype Temps/Dur´ee 39 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3.3 Exp´erimentations tribu´es dans chaque cat´egorie Neanmoins, nous avons la meme remarque comme celle de [El-Kechaă 07a] qu’il existe plusieurs causes racines qui sont des ant´ec´edents g´en´eraux Cela concerne la formule de calcul des masses (cf formule 1.1, page 10) qui pourrait ˆetre affin´ee tant que les nœuds sont des ant´ec´edents sp´ecifiques puisqu’ils sont plus pertinents que les ant´ec´edents g´en´eraux Nous essayons ´egalement de trouver les causes les plus probables de chaque groupe de g´enotype en ´eliminant les causes venant des autres cat´egories (mettre leur poids en z´ero) Dans ce cas-l`a, tous les g´enotypes obtenus appartiennent `a une mˆeme cat´egorie Cependant, il exite quelques cas o` u soit aucun g´enotype n’a ´et´e trouv´e soit il n’y a qu’une seule cause ayant ´et´e trouv´ee (cf les tableaux A.1, A.2 et A.3 dans l’annexe pour les r´esultats des autres ph´enotypes) Ce probl`eme concerne le sch´ema de classification des actions erron´ees Comme nous avons dit pr´ec´edemment, notre exp´erimentation h´erite le schema presente dans [El-Kechaă 07a] qui a ete adapte en particulier pour l’EVF, ces modifications peuvent ˆetre n´ecessaires mais pas suffisantes Cela demande un sch´ema de classification plus sp´ecialis´e et adapt´e au domaine d’apprentissage 40 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Conclusion Dans ce rapport de stage, l’id´ee principale d´evelopp´ee est d’ajouter dans le mod`ele des erreurs de l’ITS la capabilit´e de reconnaissance d’origine des actions erron´ees r´ealis´ees par l’apprenant Pour ce faire, nous avons d’abord pr´esent´e une approche pour mod´eliser la m´ethode CREAM L’int´erˆet de notre approche est que nous avons s´epar´e la repr´esentation du sch´ema de classification des actions erron´ees et la m´ethode d’analyse Par cons´equent, la description des modes d’erreurs est flexible et adaptable aux diff´erents domaines d’apprentissage, sans aucune modification sur la m´ethode d’analyse Pour faciliter la manipulation de CREAM, nous avons d´evelopp´e un outil permettant de d´efinir le sch´ema de classification en ´etablissant les liens causaux entre les ph´enotypes et les g´enotypes, ensuite de visualiser les r´esultats de l’analyse r´etrospective En ce qui concerne l’int´egration de l’analyse r´etrospective de CREAM dans l’ITS, nous avons propos´e un m´ecanisme pour mettre en correspondent les actions erron´ees trouv´ees par l’ITS et la classification de Hollnagel Nous avons pu d´etecter les erreurs (et donc indiquer les liens causaux les plus probables expliquant leur origine) concernant l’agencement des actions (ph´enotype S´equence), les ressources des actions (ph´enotype Mauvais objet) La d´etection des erreurs concernant la relation temporelle entre des tˆ aches (ph´enotype Temps/Dur´ee) n’est pas encore compl`ete, nous ne pouvons pas indiquer si une action est commenc´ee trop tard, la dur´ee est trop longue ou trop courte, etc Donc, l’´evolution possible de ce travail est d’ajouter au mod`ele MASCARET la possibilit´e de description des contraintes temporelles, typologiques et spatiales entre des tˆaches, des ressources pour que l’ITS puisse d´etecter les actions erron´ees concernant la distance (trop loin/trop courte), la force (trop forte/pas assez), la vitesse (trop lente/trop vite), la direction (mauvaise direction/mouvais mouvement), etc Enfin, le r´esultat de notre stage a ´et´e publi´e dans un article accept´e pour la conf´erence ICVL’08 ([Trinh 08]) 41 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Glossaire AR´ eVi : Atelier de R´ealit´e Virtuelle CERV : Centre Europ´eenne de R´ealit´e Virtuelle CPC’s : Common Performance Conditions CREAM : Cognitive Reliability and Error Analysis Method EA : Equipe d’Accueil ENIB : Ecole Nationale d’Ing´enieurs de Brest EVF : Environnement Virtuel de Formation GASPAR : Gestion de l’Activit´e aviation et des Sinistres sur Porte-avions par la R´ealit´e virtuelle HRA : Human Reliability Analysis IFI : Institut de la Francophonie pour l’Informatique ITS : Intelligent Tutoring System LISyC : Laboratoire Informatique des Syst`emes Complexes MASCARET : Multi-Agent System for Collaborative Adaptive and Realistic Environment for Training S´ ecuR´ eVi : S´ecurit´e et R´ealit´e Virtuelle UEB : Universit´e Europ´eenne de Bretagne UML : Unified Modeling Language VEHA : Virtual Environment supporting Human Activities XML : eXtensible Markup Language 42 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Bibliographie [Buche 05a] C´edric Buche Un syst`eme tutoriel intelligent et adaptatif pour l’apprentissage de comp´etences en environnement virtuel de formation PhD thesis, Universit´e de Bretagne Occidentale, 2005 [Buche 05b] C´edric Buche MASCARET virtual reality Laval, France, & Ronan Querrec Intelligent Tutoring system for In Simon Richir & Bernard Taravel, editeurs, 7th international conference (VRIC’05), pages 105–108, avril 2005 ISBN : 2-9515730-4-9 [Chevaillier 07] Pierre Chevaillier, Ronan Querrec & Cyril Septseault VEHA : Un m´eta-mod`ele d’environnement virtuel inform´e et structur´e In RSTI - TSI, 2007 [El-Kechaă 06] Naăma El-Kechaă & Christophe Despr´es A Plan Recognition Process, Based on a Task Model, for Detecting Learner’s Erroneous Actions In Intelligent Tutoring Systems ITS 2006, pages 329338, Jhongli (Taăwan), June 2006 [El-Kechaă 07a] Naăma El-Kechaă Suivi et Assistance des apprenants dans les environnements virtuels de formation PhD thesis, Universite du Maine, 2007 [El-Kechaă 07b] Naăma El-Kechaă & Christophe Despres Proposing the underlying causes that lead to the trainee’s erroneous actions to the trainer In EC-TEL : European Conference on Technology Enhanced Learning, pages 41–55, Cr`ete (Gr`ece), September 2007 [Hollnagel 98] Erik Hollnagel Cognitive reliability and error analysis method Oxford : Elsevier Science Ltd, 1998 [Marion 07] Nicolas Marion, Cyril Septseault, Alexandre Boudinot & Ronan Querrec GASPAR : Aviation management on an aircraft carrier using virtual reality In Cyberworlds, 2007 [Querrec 02] Ronan Querrec Les Syst`emes Multi-Agents pour les Environnements Virtuels de Formation : Application a ` la s´ecurit´e civile PhD thesis, Universit´e de Bretagne Occidentale, Brest (France), 2002 [Querrec 04] Ronan Querrec, C´edric Buche, Eric Maffre & Pierre Chevaillier MultiAgents Systems for Virtual Environment for Training Application to fire-fighting International Journal of Computers and Applications (IJCA), vol 1, no 1, pages 25–34, juin 2004 ISSN 17102251 [Serwy 07] Roger Serwy & Esa Rantanen CREAM Navigator version 0.6, September 2007 http ://www.ews.uiuc.edu/ serwy/cream/v0.6beta/ 43 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com [Trinh 08] Thanh Hai Trinh, C´edric Buche & Jacques Tisseau Modeling of Errors Realized by a Human Learner in Virtual Environment for Training In 3th International Conference on Virtual Learning ICVL’08, Constanta (Romania), October 2008 (article accept´e) 44 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Annexe A R´ esultats de l’analyse r´ etrospective Cette annexe pr´esente les r´esultats de l’analyse r´etrospective des autres ph´enotypes Les tableaux A.1, A.2 et A.3 montrent respectivement les r´esultats de l’analyse r´etrospective pour ph´enotype Direction, Vitesse et Distance/Magnitude 45 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Poids (P,T,O) (0.333 - 0.333 - 0.333) Liens causaux 1, Probl`eme de conception (0.166667) -> Sc´enario inad´equat (0.166667) -> Direction 2, Conditions ambiantes d´efavorables (0.166667) -> Inattention (0.166667) -> Direction 3, Probl`eme de pr´esentation (0.041667) -> Probl`eme de communication (0.166667) -> Direction 4, Handicap (0.041667) -> Probl`eme de communication (0.166667) -> Direction 5, Conditions ambiantes d´efavorables (0.041667) -> Inattention (0.041667) -> Probl`eme de communication (0.166667) -> Direction (1 - - 0) 1, Biais cognitif (0.08333) -> Mauvais diagnostic (0.25) -> Direction 2, Mod`ele mental erron´e (0.08333) -> Mauvais diagnostic (0.25) -> Direction 3, Analogie erron´ee (0.08333) -> Mauvais diagnostic (0.25) -> Direction 4, Handicap (0.05) -> Observation manqu´ee (0.25) -> Direction 5, Surcharge cognitive (0.05) -> Mauvaise Indentification (0.25) -> Direction (0 - - 0) Aucun g´enotype n’a ´et´e trouv´e (0 - - 1) 1, Bruit (1) -> Probl`eme de communication (1) -> Direction Tab A.1 – Liens causaux du ph´enotype Direction 46 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Poids (P,T,O) (0.333 - 0.333 - 0.333) Liens causaux 1, Probl`eme de ressources (0.166667) -> Vitesse 2, Probl`eme de conception (0.166667) -> Sc´enario inad´equat (0.166667) -> Vitesse 3, Probl`eme de pr´esentation (0.041667) -> Probl`eme de communication (0.166667) -> Vitesse 4, Conditions ambiantes d´efavorables (0.041667) -> Inattention (0.041667) -> Probl`eme de communication (0.166667) -> Vitesse 5, Handicap (0.041667) -> Probl`eme de communication (0.166667) -> Vitesse (1 - - 0) 1, Biais cognitif (0.111111) -> Mauvais diagnostic (0.333333) -> Vitesse 2, Mod`ele mental erron´e (0.111111) -> Mauvais diagnostic (0.333333) -> Vitesse 3, Analogie erron´ee (0.111111) -> Mauvais diagnostic (0.333333) -> Vitesse 4, Handicap (0.06667) -> Observation manqu´ee (0.333333) -> Vitesse 5, Surcharge cognitive (0.06667) -> Observation manqu´ee (0.333333) -> Vitesse (0 - - 0) 1, Probl`eme de ressources (0.5) -> Vitesse (0 - - 1) 1, Bruit (1) -> Probl`eme de communication (1) -> Vitesse Tab A.2 – Liens causaux du ph´enotype Vitesse 47 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Poids (P,T,O) (0.333 - 0.333 - 0.333) Liens causaux 1, Probl`eme de ressources (0.125) -> Distance / Magnitude 2, Probl`eme de conception (0.125) -> Sc´enario inad´equat (0.125) -> Distance / Magnitude 3, Probl`eme de pr´esentation (0.03125) -> Probl`eme de communication (0.125) -> Distance / Magnitude 4, Handicap (0.03125) -> Probl`eme de communication (0.125) -> Distance / Magnitude 5, Conditions ambiantes d´efavorables (0.03125) -> Inattention (0.03125) -> Probl`eme de communication (0.125) -> Distance / Magnitude (1 - - 0) 1, Maladie (0.1) -> Performance variable (0.2) -> Distance / Magnitude 2, Cybermalaise (0.1) -> Performance variable (0.2) -> Distance / Magnitude 3, Analogie erron´ee (0.06667) -> Mauvais diagnostic (0.2) -> Distance / Magnitude 4, Biais cognitif (0.06667) -> Mauvais diagnostic (0.2) -> Distance / Magnitude 5, Mod`ele mental erron´e (0.06667) -> Mauvais diagnostic (0.2) -> Distance / Magnitude (0 - - 0) 1, Probl`eme de ressources (0.5) -> Distance / Magnitude (0 - - 1) 1, Bruit (1) -> Probl`eme de communication (1) -> Distance / Magnitude Tab A.3 – Liens causaux du ph´enotype Distance/Magnitude 48 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com R´ esum´ e Ce travail se concentre sur la notion des actions erron´ees r´ealis´ees par l’apprenant humain dans les Environnements Virtuels de Formation Notre objectif principal est de d´evelopper un Syst`eme Tutoriel Intelligent (ITS) permettant d’apporter des aides p´edagogiques au formateur Pour cela, l’ITS doit d’abord d´etecter et classifier les actions erron´ees produites par l’apprenant durant la r´ealisation des tˆaches proc´edurales et collaboratives En outre, afin de mieux supporter le formateur et de faciliter sa compr´ehension, il est n´ecessaire de montrer pourquoi l’apprenant a fait une erreur Pour ce faire, nous mod´elisons la m´ethode CREAM (Cognitive Reliability and Error Analysis Method) Ensuite, nous int´egrons le m´ecanisme d’analyse r´etrospective de CREAM ` a l’ITS existant pour que le syst`eme puisse indiquer les liens causaux les plus probables expliquant l’occurrence des erreurs Mots-cl´ es: Environnement virtuel de formation, Syst`eme tutoriel intelligent, Actions erron´ees, CREAM, Analyse r´etrospective Abstract This work focuses on the notion of erroneous actions realized by human learners in Virtual Environments for Training Our principal objective is to develop an Intelligent Tutoring System (ITS) suggesting pedagogical assistances to the teacher For that, the ITS must obviously detect and classify erroneous actions produced by learners during their realization of procedural and collaborative work Further, in order to better support human teacher and facilitate his comprehension, it is necessary to show the teacher why learner made an error Addressing this issue, we firstly model the Cognitive Reliability and Error Analysis Method (CREAM) Then, we integrate the retrospective analysis mechanism of CREAM into our existing ITS, thus enable the system to indicate the path of probable cause-effect explaining reasons why errors have occurred Keywords: Virtual environments for training, Intelligent tutoring system, Erroneous actions, CREAM, Retrospective analysis 49 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ... addConsequent() servent ` a la maintenance de ces deux listes d’ant´ec´edents et de cons´equences d? ?un nœud Une fois un nœud appelle la m´ethode addAntecedent() qui ajoute un nœud «parent» comme un de. .. Recherche des causes des actions erron´ees Fig 1.9 – Exemple du lien entre cons´equent-ant´ec´edent, d’apr`es [Hollnagel 98] de cas, un ant´ec´edent g? ?en? ?eral dans un groupe deviendra une cons´equence... entre une cons´equence et ses ant´ec´edents) mais aussi des liens indirects puisque dans la plupart de cas, un ant´ec´edent g? ?en? ?eral dans un groupe deviendra une cons´equence dans un autre groupe